：本发明属于气象数据分析，特别涉及基于深度学习和时空要素的雷达非降水回波质控方法。
背景技术
0、
背景技术：
1、雷达降水数据在气象和水资源管理中具有重要的作用，天气雷达在探测到降水回波的同时，也会探测到非降水回波，这些非降水回波主要来自包括地物、海浪、晴空大气、生物(如昆虫、鸟群)、超折射等，这些非降水回波会干扰降水回波，影响降水预测的准确性，导致预报出现偏差，因此要在降水估计之前将其识别并识别。经过气象学领域广大工作者的研究，已经开发出许多非降水回波识别算法，但由于数据受地理、时间、电磁、晴空、降水、地物等不同环境的影响，现有的识别算法处理后，对识别算法的效果评估并未在不同环境下进行，因此，现有的非降水回波识别算法的准确性和可靠性还有待提高。
2、公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
技术实现思路
0、
技术实现要素：
1、本发明的目的在于提供基于深度学习和时空要素的雷达非降水回波质控方法，从而克服上述现有技术中的缺陷。
2、为了实现上述目的，本发明提供了基于深度学习和时空要素的雷达非降水回波质控方法，其特征在于：包括以下步骤：
3、s1：收集用于训练样本的雷达基数据；
4、s2：将收集的雷达基数据进行极坐标系列到笛卡尔坐标系的转换，制成rgb雷达图像；
5、s3：对rgb雷达图像中的每一个像素进行手工标记，将非降水回波分成不同种类；
6、s4：将标记后的rgb雷达图像裁剪成512像素×512像素的图片后作为训练样本数据集；
7、s5：采用deeplabv3+模型训练样本数据集；
8、s6：使用混淆矩阵平均交并比评分对模型精度进行评价；
9、s7：使用训练完成的deeplabv3+模型对其他雷达回波做非降水回波的识别。
10、进一步的，作为优选，所述s1中雷达基数据包括高程数据和模式数据。
11、进一步的，作为优选，所述s3非降水回波分成四个种类，分别为建筑物和地形导致的地物杂波、逆温层导致的晴空回波、电磁干扰回波、昆虫导致的弱回波。
12、进一步的，作为优选，所述s3手工标记时通过查看回波纹理，对比前后时次回波移动轨迹，使用0.5度仰角回波图像查看，对特殊设施地理位置进行综合判断，其中图像的所有背景信息标记为0，非降水回波标记为1。
13、进一步的，作为优选，所述s6混淆矩阵平均交并比指预测区域和实际区域交集除以预测区域和实际区域的并集，计算公式如下：
14、
15、式中k+1代表数据集定义的类别总数，pii表示正确识别的真正例总数，pij和pji则分别表示错误识别的假正例总数和假反例总数。
16、进一步的，作为优选，所述s6评价时选取不同地区、不同时段、不同种类非降水回波的样本进行验证。
17、与现有技术相比，本发明的一个方面具有如下有益效果：
18、(1)本发明通过手工标注非降水回波和深度学习deeplabv3+模型结合建立训练数据集，再使用混淆矩阵平均交并比评分对模型精度进行评价，可以提高对雷达非降水回波质控的准确性和可靠性；
19、(2)本发明在对模型精度进行评价时选取不同地区、不同时段、不同种类非降水回波的样本进行评价，具有样本的多样性和代表性，可以确保模型在不同情境下的准确性和可靠性；
20、(3)本发明使用训练完成的deeplabv3+模型对其他雷达回波做非降水回波的识别，可以进一步测试和验证深度学习模型的准确性和可靠性。
1.基于深度学习和时空要素的雷达非降水回波质控方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于深度学习和时空要素的雷达非降水回波质控方法，其特征在于：所述s1中雷达基数据包括高程数据和模式数据。
3.根据权利要求1所述的基于深度学习和时空要素的雷达非降水回波质控方法，其特征在于：所述s3非降水回波分成四个种类，分别为建筑物和地形导致的地物杂波、逆温层导致的晴空回波、电磁干扰回波、昆虫导致的弱回波。
4.根据权利要求1所述的基于深度学习和时空要素的雷达非降水回波质控方法，其特征在于：所述s3手工标记时通过查看回波纹理，对比前后时次回波移动轨迹，使用0.5度仰角回波图像查看，对特殊设施地理位置进行综合判断，其中图像的所有背景信息标记为0，非降水回波标记为1。
5.根据权利要求1所述的基于深度学习和时空要素的雷达非降水回波质控方法，其特征在于：所述s6混淆矩阵平均交并比指预测区域和实际区域交集除以预测区域和实际区域的并集，计算公式如下：
6.根据权利要求1所述的基于深度学习和时空要素的雷达非降水回波质控方法，其特征在于：所述s6评价时选取不同地区、不同时段、不同种类非降水回波的样本进行验证。
